基于混合LSTM-机器学习框架的儿童长期无创通气睡眠呼吸暂停检测

《Computer Methods and Programs in Biomedicine Update》：Sleep apnea detection in pediatric LT-NIV via a hybrid LSTM-machine learning framework

　　

摘要专业翻译 对于患有呼吸功能不全的儿科患者，长期无创通气（LT-NIV）是一种至关重要的治疗手段。尽管技术取得了显著进步，但商用内置呼吸机软件存在结构性局限：其自动评分算法通常针对成人呼吸模式进行校准，无法检测儿童固有的高呼吸频率变异性。因此，临床医生必须进行手动数据审查以识别阻塞性睡眠呼吸暂停事件。虽然机器学习（ML）在识别这些事件方面已展现出显著潜力，但大多数研究聚焦于成人，并采用多导睡眠图（PSG）多通道数据。针对这一问题，研究人员研究了仅利用内置呼吸机软件中的单通道呼吸信号进行睡眠呼吸暂停自动检测的方法。为此，提出了一种将双向长短期记忆（BiLSTM）网络与基于特征工程的机器学习集成相结合的新型混合方法。通过留一法（Leave-One-Out）交叉验证策略验证的实验结果表明，尽管儿科呼吸频率存在高变异性且数据集存在显著类别不平衡，混合模型仍能有效识别睡眠呼吸暂停事件。研究结果为该方案作为儿科LT-NIV呼吸信号自动分析决策支持工具的潜在应用提供了令人鼓舞的证据。然而，在临床部署之前，有必要在更大规模、更多样化的儿科队列中进行前瞻性验证。

论文解读

研究背景与问题

长期无创通气（LT-NIV）是慢性呼吸功能不全或呼吸暂停-低通气综合征患者广泛采用的生命支持技术，在家庭护理环境中尤为常见。在临床实践中，压力控制通气（PCV）是主流策略，呼吸机通过将气道压力从基线提升至预设水平并在吸气相维持该压力来输送潮气量。所有商用呼吸机均配备内置软件，持续记录气道压力和估算潮气量，用于监测治疗效果。然而，这些内置软件存在结构性缺陷：其自动评分算法通常针对成人呼吸模式优化，属于临床医生无法获知的"黑箱"系统。成人中心化的检测策略常基于固定时间标准，未能考虑儿童生长发育过程中呼吸频率的显著变异性。根据美国睡眠医学会（AASM）的定义，儿科呼吸暂停应以错过的呼吸次数而非事件绝对持续时间来界定。因此，当前儿科LT-NIV的临床实践依赖于耗时且逐次呼吸的人工波形审查，以识别患者-呼吸机不同步和睡眠呼吸暂停等严重气流受限情况。重复多导睡眠监测（PSG）等替代方案成本更高、耗时更长且需要住院。正确解读内置软件数据是实现充分通气、改善耐受性并提高治疗依从性的关键步骤。

研究内容与结论

针对上述挑战，研究人员开发了一种仅利用内置呼吸机数据的呼吸流量信号进行自动睡眠呼吸暂停检测的新型混合方法。该方法结合了机器学习（ML）模型与双向长短期记忆（BiLSTM）网络的互补优势，构建了专门针对儿科人群独特生理特征的稳健自动化诊断框架。研究从意大利一家专业儿科研究医院的临床数据库中选取了12名年龄3至12岁、诊断为神经肌肉疾病或上气道阻塞性疾病的儿科患者记录，每份记录包含至少三小时的主动通气数据，涵盖面罩压力和呼吸流量两个同步信号通道。两名具有五年以上呼吸事件评分经验的儿科肺病专家使用Polyman工具独立进行人工评分，依据AASM标准将睡眠呼吸暂停定义为峰值信号偏移较事件前基线下降≥90%且持续至少两次错过的呼吸。研究共标记了766次呼吸暂停事件。数据经RobustScaler归一化后，通过自定义分割方法从原始信号中提取单个呼吸事件，依据专家标注进行二分类标签，最终数据集包含119878个呼吸事件段，其中正常事件与呼吸暂停事件比例约为51:1，存在显著类别不平衡。通过相关性矩阵和ANOVA F检验进行特征选择，最终保留了均值、标准差、呼吸事件正向面积和快速傅里叶变换（FFT）最大值四个特征。研究构建了三种模型：独立BiLSTM网络（三层堆叠结构，隐藏单元数分别为128、64、32，每层后接Dropout层）、机器学习集成模型（包含随机森林、XGBoost、逻辑回归和线性判别分析LDA，通过软投票分类器集成）以及融合两者的混合模型。实验采用留一法（LOO）交叉验证策略确保患者独立性，并进行了未见患者的外部推理测试。结果表明，混合模型能够在儿科呼吸频率高变异性和显著类别不平衡的条件下有效识别睡眠呼吸暂停事件，为该方法作为儿科LT-NIV呼吸信号自动分析决策支持工具的潜在应用提供了有力证据。

关键技术方法

研究人员采用了以下主要技术方法：基于RobustScaler的信号归一化和自定义呼吸事件分割方法，用于从原始信号中提取单个呼吸事件；特征工程方法，从时域、频域和统计域提取10个特征并通过相关性矩阵和ANOVA F检验筛选出4个关键特征；双向长短期记忆（BiLSTM）网络架构，包含三层堆叠BiLSTM层和Dropout正则化；机器学习集成方法，结合随机森林、XGBoost、逻辑回归和线性判别分析（LDA）四种分类器并通过软投票集成；混合模型架构，将BiLSTM的时序特征学习能力与ML集成的全局生理特征分析能力融合；留一法（LOO）交叉验证策略和未见患者测试用于评估模型泛化能力。样本队列来源于意大利专业儿科研究医院临床数据库中的12名儿科患者。

研究结果

数据分割与特征提取结果：研究人员通过自定义分割方法从面罩压力和呼吸流量双通道信号中成功提取了119878个独立呼吸事件段，其中正常事件117564个，呼吸暂停事件2314个，类别不平衡比例约为51:1。通过相关性矩阵热图和ANOVA F检验，从原始10个特征中筛选出4个最具判别力的特征，即均值、标准差、呼吸事件正向面积和FFT最大值，有效降低了数据冗余并提升了模型效率。

模型性能评估结果：通过留一法（LOO）交叉验证策略，研究人员系统评估了三种模型的性能。独立BiLSTM模型展示了深度学习在捕捉呼吸信号时序依赖关系方面的能力；机器学习集成模型则体现了手工特征在区分正常与呼吸暂停事件方面的有效性；混合模型通过融合两种方法的预测结果，在儿科呼吸频率高变异性和数据集显著类别不平衡的条件下实现了最优的睡眠呼吸暂停识别性能。未见患者的测试进一步验证了模型的泛化能力。

临床实践应用结果：研究展示了该方法在实际临床场景中的应用潜力，证明仅利用内置呼吸机软件的单通道呼吸流量信号即可实现有效的自动睡眠呼吸暂停检测，无需额外的多导睡眠监测设备，显著降低了检测成本和复杂性。

讨论与结论

研究讨论部分指出，当前大多数睡眠呼吸暂停检测研究聚焦于成人队列，使用多通道PSG数据，而儿科护理领域存在显著的临床空白。儿童呼吸周期的固有规律性缺乏和高变异性使成人中心化算法基本无效。现有儿科研究多集中于血氧饱和度（SpO2）或心电图（ECG）信号，对LT-NIV呼吸机直接产生的呼吸气流信号分析尚属空白。本研究通过提出混合LSTM-ML框架填补了这一空白，该集成方法能够通过深度学习捕捉呼吸事件的时序特性，同时通过经典ML特征融入全局生理学见解，实现比单一模型更稳健的分析。研究结论表明，混合模型能够有效识别儿科LT-NIV患者中的睡眠呼吸暂停事件，为自动化呼吸信号分析作为临床决策支持工具提供了令人鼓舞的证据。然而，研究也承认当前存在样本量有限和队列多样性不足的局限性，在临床部署之前，需要在更大规模、更多样化的儿科队列中进行前瞻性验证。该论文发表于《Computer Methods and Programs in Biomedicine Update》。